-
公开(公告)号：CN101587189B
公开(公告)日：2011-09-14
申请号：CN200910062654.6
申请日：2009-06-10
Applicant: 武汉大学
IPC: G01S13/90
Abstract: 本发明涉及一种用于合成孔径雷达图像的纹理基元特征提取方法，包括对训练集中每幅图像求取图像内每个像素点对应的估计向量，组合得到训练集中所有图像的所有像素点对应的估计向量；将估计向量进行聚类，聚类所得纹理基元码本即为纹理基元；对待提取特征图像求取图像内每个像素点对应的估计向量，组合得到图像内所有像素点对应的估计向量，并对该估计向量用纹理基元码本进行标号；统计图像标号得到标号直方图，即为该图像的统计纹理基元特征。本发明融合图像的分布特性、空间特性以及尺度特性，提高合成孔径雷达图像的分类正确率，从而提高基于纹理基元特征的分类、分割等图像处理应用的准确率。
-
公开(公告)号：CN118644790A
公开(公告)日：2024-09-13
申请号：CN202410802412.0
申请日：2024-06-20
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/25 , G06V10/774 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/766 , G06N3/0464 , G06N3/08
Abstract: 为了解决SAR图像由于其独特的机理和目标特性造成的与自然图像和光学遥感图像之间存在巨大的领域差距，解决相干斑现象引入的非线性统计特征难以拟合、目标存在边界不确定性等SAR图像舰船目标检测问题，通过引入统计特征学习模块、目标可变形轮廓检测模块和稀疏低秩筛选模块，可以有效提升深度学习网络对于SAR舰船目标的检测效率。本发明公开了一种基于多层次采样表征模型的SAR舰船目标检测方法和装置，采取引入统计特征学习模块和稀疏低秩筛选模块的方法，提高网络对SAR图像独特机理的表征能力。同时采取引入目标可变形轮廓检测模块的方法，提高对SAR遥感图像舰船目标特性适应能力。
-
公开(公告)号：CN118521831A
公开(公告)日：2024-08-20
申请号：CN202410746625.6
申请日：2024-06-11
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/52 , G06V10/46 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 公开了一种图像分类方法，属于图像处理领域，该方法包括获取第一特征图；将第一特征图输入提升方案卷积神经网络，提升方案卷积神经网络包括提升方案池化层和提升方案频率选择层，提升方案池化层用于对第一特征图进行第一红黑形态小波变换，得到第一频率特征集合，第一频率特征集合包括第一低频特征，提升方案池化层还用于对第一低频特征进行第二红黑形态小波变换，得到第二频率特征集合，提升方案频率选择层用于基于第一频率特征集合和第二频率特征集合中的至少部分特征对第一特征图进行分类；获取提升方案卷积神经网络的输出的第一分类结果，该方法能够提高图像分类结果的准确程度。
-
公开(公告)号：CN111461259B
公开(公告)日：2023-11-28
申请号：CN202010339964.4
申请日：2020-04-26
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于红黑形态小波池化网络的图像分类方法及系统，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y红黑形态小波的输出和最大池化分支的输出融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程。本发明能够有效提高神经网络的识别能力，在基准图像的分类任务上有明显的准确率提升。
-
公开(公告)号：CN116452593B
公开(公告)日：2023-09-05
申请号：CN202310718872.0
申请日：2023-06-16
Applicant: 武汉大学中南医院
Abstract: 本发明公开了一种血管性认知障碍的AI评估模型的构建方法、装置及系统。首先进行数据采集，并构建数据集；然后进行预处理；并划分出训练集和验证集；接着对预处理后的脑血管病患者临床症候文本数据进行特征筛选；然后构建VCI评估模型，该模型包括辅助诊断和预测两类模型，分别提取多模态脑MRI数据中的sMRI特征和rs‑fMRI特征，随后采用多模态图学习网络对sMRI特征、rs‑fMRI特征以及临床症候文本特征进行融合，并根据融合后的特征得到分类结果；通过对模型进行训练和验证，得到最优的VCI评估模型。本发明解决了现有技术中对于VCI的临床诊断与预测较为主观、难于定量、准确率不高和效率较低的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN116109484A
公开(公告)日：2023-05-12
申请号：CN202310099812.5
申请日：2023-02-03
Applicant: 武汉大学
Abstract: 本发明公开了一种前景信息保留的图像拼接方法、装置、设备及存储介质，所述方法通过获取待拼接的参考图和目标图，分别提取参考图和目标图中的图像特征，生成参考特征点集和目标特征点集；将参考特征点集与目标特征点集进行特征点匹配，获得匹配点，并将匹配点进行划分，获得背景特征匹配点对和前景特征匹配点对；获得背景特征匹配点对和前景特征匹配点对对应的重叠区域，根据预设缝合线将重叠区域进行划分，并根据划分后的重叠区域对参考图和目标图进行拼接，获得拼接图像，能够保留前景信息，提高了图像拼接的速度和效率，使用户获得观感自然、无重影、无接缝的高分辨率图像，以获得更加广阔的视野，提升了用户体验。
-
公开(公告)号：CN110751077B
公开(公告)日：2022-07-05
申请号：CN201910976975.0
申请日：2019-10-15
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/774 , G06K9/62
Abstract: 为了解决由于光学遥感图像易受天气、陆地或船舶尾迹的影响，图像内容复杂导致大量虚警框的问题，通过对数据集进行部件和整体双重标注，引入部件位置信息，再通过部件和整体之间的距离约束，有效减少检测虚警框。本发明公开了一种基于部件匹配与距离约束的光学遥感图片船舶检测方法，通过对数据集进行部件标注的添加，从而提高训练图像数据中的可学习信息；将训练过程中输出的目标候选框相互进行部件匹配，找到每个船舶目标对应的部件框；接着在网络计算损失函数并将梯度反传时，将船舶目标与之部件之间的距离作为参数约束结合到检测网络的参数学习过程中，使得训练过程中目标定位更加准确。
-
公开(公告)号：CN111614965B
公开(公告)日：2022-02-01
申请号：CN202010376138.7
申请日：2020-05-07
Applicant: 武汉大学
Abstract: 本发明提供一种基于图像网格光流滤波的无人机视频稳像方法及系统，对输入的视频进行网格划分，将网格的顶点设置为光流跟踪点，求解每一帧图像与前一帧图像在网格顶点处的光流；对网格光流进行初次时域分析，去除高频成分，然后比较滤波前后，筛选出变化大的点作为外点；对外点的光流进行滤波处理，使其与周围网格顶点的光流在空间上连续；对优化后的光流进行时域滤波，并通过网格顶点限制使输出视频不发生较大的形变，得到网格顶点的运动补偿矢量；根据运动补偿矢量进行网格变换，得到输出稳像视频。本发明采取由粗到细的方法，对不连续光流进行滤波处理，再进行受网格约束的运动补偿，从而减少了形变以及运动物体带来的影响，提高了稳像质量。
-
公开(公告)号：CN111242848A
公开(公告)日：2020-06-05
申请号：CN202010036478.5
申请日：2020-01-14
Applicant: 武汉大学
Abstract: 本发明提供一种基于区域特征配准的双目相机图像缝合线拼接及系统，对输入的左右视角图像进行特征提取并匹配，包括提取特征点和图像局部区域的几何结构特征；对图像划分网格，利用匹配的结果构建图像网格变换模型，通过对网格顶点的优化使得总误差最小，实现图像的配准；对配准的图像重叠区域求最优缝合线，使得缝合线两边的像素差异最小；将缝合线两侧的重叠区域进行曝光补偿后，沿着缝合线拼接得到拼接图像。本发明采用网格变形，尽可能地配准两张图像的重叠区域，再在重叠区域求解最优缝合线，所得缝合线能够绕开视差大的前景，从而避免图像融合时在视差大的地方生成重影。
-
公开(公告)号：CN107818555B
公开(公告)日：2020-03-10
申请号：CN201711022705.3
申请日：2017-10-27
Applicant: 武汉大学
Abstract: 本发明涉及一种基于最大后验的多字典遥感图像时空融合方法，首先对高低分辨率差分图像后进行粗分类，对每种类别取出图像块，形成每类的训练样本矩阵，从而训练出多类别的高低分辨率字典。多字典学习，考虑了图像中不同地貌具有不同形状和纹理，使得训练出的字典更具有针对性，能更好捕获地貌间的差别。在求解稀疏系数之前采用最大后验概率模型进行字典组别的选择，通过区域像素到字典之间的似然函数，和区域像素字典之间的先验函数，计算出最大后验概率，从而将低分辨率差分输入图像像素点分到对应的字典组。每组像素点在对应组别的低分辨率字典下进行稀疏编码，得到稀疏表示系数。稀疏表示系数乘以对应的高分辨率字典，得到高分辨率差分图像。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.021 seconds)
